基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

基于灰色神经网络组合模型的水上交通事故预测

水上交通事故预测是水上安全的重要组成部分,目的是为了掌握水上交通事故未来的发展状况,为管理决策提供重要的理论依据。运用灰色神经网络组合模型对水上交通事故量进行预测,运用灰色模型对水上交通事故进行模拟,将结果和原始数据进行对比,计算出残差。运用BP神经网络模型对残差进行修正,得到最终预测的结果。仿真得到的2012年和2013年的水上交通事故预测量分别是270和281。实践表明,水上交通事故量呈下降趋势,但有部分年份仍有回升趋势。      

灰色动态模型群在城市轨道交通客流预测中的应用研究

随着城市轨道交通的快速发展,客流预测作为一项基础工作,在城市轨道交通规划、设计、建设及运营等环节中起着至关重要的作用.鉴于城市轨道交通客流具有周期性变化的特点,依据灰色系统理论,本文提出了由多个灰色Verhulst模型组成的灰色动态模型群,以某城市轨道交通线路为例进行短期客流的预测分析.实例计算证明了采用动态模型群的预测平均值作为最终预测,具有较高的预测精度,可满足实际应用需求.     

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

SV波入射下衬砌尺寸对引水隧道动力响应的影响

采用波函数的Fourier-Bessel级数展开方法,得到了SV波入射时,大型引水隧道平面地震响应的解析解,并对建立的场地模型进行数值计算.计算结果表明：SV波入射时,引水隧道衬砌的径向动应力随隧道内径的增大而增大,径向动应力的最大值与隧道内径呈线性关系,SV波入射引起的引水隧道衬砌的切向动应力随隧道内径的增大而增大.当入射角小于临界角时,切向动应力受隧道内径变化的影响很大.此外,引水隧道衬砌的径向动应力随衬砌厚度的增大而增大,切向动应力则随衬砌厚度的增大而减小.     

基于马尔可夫链模型的交通拥挤状态预测

交通拥挤严重影响了道路交通的安全性和运行效率,如何对交通拥挤状态进行判别,并预测下一时刻交通状态的变化趋势,是提高交通管理水平的一个关键.利用马尔可夫链建立了交通状态预测模型,实例表明该模型对短期交通状态预测具有良好的适用性.     

浅埋黄土地区隧道健康监测之结构变形的时间序列预测模型

黄土地区修建的各类隧道,由于地质、环境、荷载等因素的影响而导致结构劣化。时间序列分析理论近年来得到迅速的发展,并被应用于工程技术的许多领域。本研究在此基础上结合观测的黄土地区隧道位移的测量数据,研究了简便准确且符合工程实际情况的隧道监测数据时间序列分析方法,建立了相应的时间序列ARMA模型,并对隧道截面的量测数据进行了时间序列分析,对黄土地区公路隧道位移变化量进行了预报。结果证明该方法具有简便性和合理性,可以用于隧道监测数据的分析和健康状况预测中,及时判断异常情况以便采取有利的预防和补救措施,避免可能发生的事故。     

基于二项logit的无水港选址影响因素分析及预测

采用二项logit模型求解无水港的选址问题。首先,识别影响无水港选址的关键性因素;其次,利用logit概率可得到某一城市被选做为无水港的可能性大小。同时,候选城市可根据二项logit权重为自己评估,扬长辟短,使得自身优于临近城市被选做为无水港的概率增大。     

基于时间序列方法的网络信号传输时延预测

针对铁路信号在传输过程中存在时延与丢包,导致整个系统的控制性能下降甚至不稳定的问题,提出一种新的延时预测算法,首先用时间序列方法建立网络时延的状态空间模型,然后通过Kalman滤波方法对时延进行在线估计,得到延时预测值.仿真实验结果表明,该方法对传输时延具有预测效果,保证了较好的实时性.